基于视频的夜间车辆检测与跟踪算法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外现状 | 第11-15页 |
| 1.3 研究目标及内容 | 第15-16页 |
| 1.3.1 研究目标 | 第15-16页 |
| 1.3.2 研究内容 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 车辆检测与识别的相关技术和理论 | 第18-32页 |
| 2.1 车辆检测方法 | 第18-21页 |
| 2.1.1 光流法 | 第18-20页 |
| 2.1.2 帧间差分法 | 第20页 |
| 2.1.3 背景差 | 第20-21页 |
| 2.2 目标跟踪方法 | 第21-26页 |
| 2.2.1 M ean Shift均值漂移算法 | 第21-24页 |
| 2.2.2 基于时空上下文的目标跟踪 | 第24-26页 |
| 2.3 车辆识别算法 | 第26-30页 |
| 2.3.1 基于BOW的车型识别 | 第26-27页 |
| 2.3.2 朴素贝叶斯分类算法 | 第27-29页 |
| 2.3.3 Adaboost算法 | 第29页 |
| 2.3.4 SVM算法 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 夜间高速车辆的检测与跟踪 | 第32-47页 |
| 3.1 夜间车前灯提取 | 第32-39页 |
| 3.1.1 ROI区域特征分析 | 第32-33页 |
| 3.1.2 阈值分割算法 | 第33-36页 |
| 3.1.3 基于统计信息的一维最大熵阈值算法 | 第36-39页 |
| 3.2 基于空间特性的分类方法 | 第39-42页 |
| 3.2.1 匹配规则 | 第39-40页 |
| 3.2.2 多灯匹配方法 | 第40-42页 |
| 3.3 基于Kalman滤波车辆跟踪算法 | 第42-44页 |
| 3.3.1 Kalman滤波车辆预测 | 第42-44页 |
| 3.3.2 车辆跟踪状态 | 第44页 |
| 3.4 实验结果 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 夜间高速车辆类型的识别 | 第47-63页 |
| 4.1 图像复杂度研究 | 第47-51页 |
| 4.1.1 图像复杂度特征参数 | 第47-49页 |
| 4.1.2 图像复杂度模型 | 第49-51页 |
| 4.2 视频关键帧选取 | 第51-53页 |
| 4.3 夜间高速车型识别 | 第53-55页 |
| 4.4 K-means构建视觉词典 | 第55-58页 |
| 4.4.1 K-means实现特征聚类 | 第55-57页 |
| 4.4.2 初始聚类中心确定 | 第57-58页 |
| 4.5 基于支持向量机的高效车型分类方法 | 第58-60页 |
| 4.6 实验结果 | 第60-62页 |
| 4.6.1 数据采集 | 第60-61页 |
| 4.6.2 实验结果分析 | 第61-62页 |
| 4.7 本章小结 | 第62-63页 |
| 第五章 夜间车高速车辆检测系统的设计与实现 | 第63-70页 |
| 5.1 系统架构与流程 | 第63-65页 |
| 5.2 系统详细设计 | 第65-69页 |
| 5.2.1 主要开发工具与数据接口设计 | 第65-68页 |
| 5.2.2 系统运行界面 | 第68-69页 |
| 5.3 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 论文总结 | 第70页 |
| 6.2 未来工作展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 攻读学位期间参加的科研项目和成果 | 第77页 |
